發(fā)布時間：2017-08-01 09:07

  本文關(guān)鍵詞：華南地區(qū)日極值氣溫統(tǒng)計降尺度研究

  更多相關(guān)文章： 統(tǒng)計降尺度 日極值氣溫 BP神經(jīng)網(wǎng)絡(luò) 多元線性回歸 遺傳算法

【摘要】：全球氣候模式(Global Climate Model,GCM)是目前預(yù)估和描述全球氣候變化最重要的模式之一,它能較好地模擬出未來一段時間大尺度的平均氣候特征。但GCM輸出的空間分辨率較低,無法對局部域天氣場景變化做出準(zhǔn)確的預(yù)測。統(tǒng)計降尺度方法通過建立低分辨率的全球氣候模式輸出與局部區(qū)域氣象要素之間的統(tǒng)計關(guān)系,對小尺度區(qū)域氣象變量做出預(yù)測,是目前借助大尺度全球氣候模式輸出預(yù)估局部區(qū)域天氣情景變化的重要技術(shù)手段之一。本文基于統(tǒng)計回歸的降尺度方法,分別建立了逐步回歸、主成分回歸、以及遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的多元非線性回歸的統(tǒng)計降尺度模型,對華南地區(qū)2000-2013年逐日的日最高氣溫和日最低氣溫進(jìn)行了精細(xì)化的數(shù)值預(yù)報。其中,2000-2010年的數(shù)據(jù)用于模式的標(biāo)定;2011-2013年的數(shù)據(jù)用于模式的檢驗。模式的預(yù)報變量為華南地區(qū)每日的極值氣溫;預(yù)報因子為大尺度的全球氣候模式輸出變量中與氣溫有關(guān)的氣象要素資料。大尺度氣象數(shù)據(jù)資料選取的是美國國家環(huán)境預(yù)報中心/美國國家大氣研究中心(NCEP/NCAR)提供的1°×1°全球再分析資料,而小尺度區(qū)域氣象變量選取的是中國華南地區(qū)21個國家基本氣象觀測站的日極值氣溫的實時觀測數(shù)據(jù)。通過計算各個模型的決定系數(shù)(coefficient of determination)R2、均方根誤差RMSE、平均最大誤差MAE等參數(shù)綜合比較分析各種統(tǒng)計降尺度模型在預(yù)估華南地區(qū)日極值氣溫中的表現(xiàn),得到如下結(jié)論:(1)三個統(tǒng)計回歸模型都能很好地模擬華南地區(qū)21個站點日極值溫度的物理和統(tǒng)計特性;三個模型中,大部分站點的逐日極值氣溫用非線性的BP神經(jīng)網(wǎng)絡(luò)統(tǒng)計降尺度模型模擬得較好,R2約為0.85和RMSE約為1.5℃;但其計算量較逐步回歸和主成分回歸模型計算量更大。(2)一般說來,統(tǒng)計回歸模型對沿海岸的站點較內(nèi)陸站點的模擬效果要好。(3)比較華南地區(qū)不同季節(jié)的溫度降尺度模擬,三個統(tǒng)計降尺度模型在模擬冬季逐日極值氣溫趨勢變化把握較夏季好,體現(xiàn)在R2值更大;夏季受臺風(fēng)等強對流天氣影響,溫度變化趨勢把握較難,但模擬的夏季逐日極值氣溫的誤差較小,體現(xiàn)在MAE,RMSE更小。
【關(guān)鍵詞】：統(tǒng)計降尺度 日極值氣溫 BP神經(jīng)網(wǎng)絡(luò) 多元線性回歸 遺傳算法
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：O212.1
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-14
• 1.1 研究背景和意義9-10
• 1.2 統(tǒng)計降尺度研究的進(jìn)展10-12
• 1.3 本文的工作和創(chuàng)新點12-14
• 1.3.1 本文主要的工作12-13
• 1.3.2 本文的創(chuàng)新點13-14
• 第2章 數(shù)據(jù)資料與方法14-25
• 2.1 資料介紹14-15
• 2.1.1 小尺度地面觀測日極值氣溫資料14-15
• 2.1.2 大尺度全球氣候模式輸出資料15
• 2.1.3 數(shù)據(jù)集的劃分與使用15
• 2.2 研究方法介紹15-25
• 2.2.1 多元線性回歸15-17
• 2.2.2 逐步回歸17-18
• 2.2.3 主成分回歸18
• 2.2.4 人工神經(jīng)網(wǎng)絡(luò)18-23
• 2.2.5 遺傳算法23-25
• 第3章 統(tǒng)計降尺度模型的建立25-37
• 3.1 模型的基本原理25
• 3.2 模型建立的基本流程25-28
• 3.2.1 預(yù)報變量和預(yù)報因子的劃分25
• 3.2.2 預(yù)報因子的篩選25-27
• 3.2.3 降尺度方法的選擇27
• 3.2.4 模型的評價指標(biāo)27-28
• 3.3 逐步回歸模型的建立28-30
• 3.4 主成分回歸模型的建立30-33
• 3.5 BP神經(jīng)網(wǎng)絡(luò)模型的建立33-37
• 第4章 結(jié)果與分析37-53
• 4.1 從模型觀測值和仿真值的折線圖進(jìn)行分析37-40
• 4.2 從R2,RMSE,MAE的角度來比較與分析40-48
• 4.2.1 以深圳市為例評價三種統(tǒng)計降尺度模型40-45
• 4.2.2 三種統(tǒng)計降尺度方法模擬華南地區(qū)一月份日最低溫度的比較45-48
• 4.3 從模型的預(yù)測值和仿真值的箱線圖進(jìn)行比較分析48-52
• 4.4 相關(guān)性結(jié)論52-53
• 第5章 總結(jié)與展望53-55
• 5.1 工作小結(jié)53
• 5.2 展望53-55
• 參考文獻(xiàn)55-57
• 致謝57-58

，

本文編號：603455